统计分析中描述性指标说明
2、原因分析 （诊断性分析）
比如这个月销售额下降了，要进行销售额下降原因分析。可以通过指标分解，将销售额指标进行拆分，得到销售额 = uv * 转化率 * 客单价 ,这样可以分别探索uv、转化率和客单价的变化情况，来找到影响销售额的主要因素。
巴拉巴拉，经过一顿分析，发现这个月销量没变化，但是折扣率提升，实际客单价降低影响这月销售额大幅降低了，说明这个月的优惠活动价值不高，没有吸引到顾客，因为订单量和销量都没变化，可以取消优惠活动，采取其他营销方式来提高销售额。
3、预测未来 （预测性分析）
1.更好地透过本质发现问题。至少算大的东西，可以更能高度归纳，给出结论性的结论。
2.更能高效地处理复杂工作，且都未来工作更有前瞻性。
3.新品上市时候，通过大数据分析可以帮助运营的小伙伴更好了解用户反馈。前期测试数据，去反过来预测用户行为。
三、⭐数据分析学习路径
1、掌握 5 类典型的数据分析业务场景
5 类典型的数据分析业务场景， 帮助你深入理解业务背后的逻辑。如果你的工作中遇到的问题，恰好与这些场景类似，希望你能在工作中尝试模仿课程中的做法，让数据成为你解决业 务问题、创造价值的利器。如果工作中暂时还并未遇到这些场景，希望你也要将自己带入课程，看看之后遇到这类问题时，应该如何思考、选取方法， 并解决问题。
- 数据涨跌异动如何处理？
- 如何评估渠道质量，确定投放优先级？
- 功能/内容上线后，如何评估短期效果、长期价值、未来潜力？
- 了解数字背后的用户，以高质量拉新｜精准运营推送｜辅助产品设计
- 羊毛党盛行，如何查出谁在薅？
2、掌握 9 种数据分析的常见方法
在遇到简单的业务问题时，我们往往直接查看数据、验证即可解决。但遇到 复杂的问题时，许多同学都会遇到「不知道要什么数据」、「看到数据无从 下手」、「拿到数据看不出什么」的问题。针对这些，我们向你介绍常见且 相对通用的 9 种数据分析方法。希望这些数据分析方法能够成为你利用数 二、解决业务问题的「武器」，对你产生价值。
9种常见数据分析方法：
- 对比分析
- 多维度拆解
- 漏斗分析
- 分布分析
- 留存分析
- 用户画像
- 归因查找
- 相关性分析
- 矩阵/象限分析
这些方法有些相对基础且通用，相信你在平时的工作中早已自觉或不自觉地 开始使用。希望你们在学习这些方法时，先想想自己遇到类似的问题会如何去做分析，再与别人做对比，找到不同，仔细思索。这样，你才能将这些 “简单且基础”的方法熟练于心，为日后的工作与学习打下坚实的基础。
另一些方法则似乎比较“高端”且与工具相关，或许与你当前的工作也关系不 大。针对这类方法，我们希望你能更多关心其思路和特性，学习、领会这类 方法通常都面对了什么情况、选取了什么角度切入、采取了什么方法，最终 如何解决去业务问题并创造了价值。分析要体和业务去做分析，并不一定要多高深的分析技巧，最终能产生业务价值的分析就是好的数据分析。这点是新手数据分析都会犯的误区，所有的分析方法包括机器学习模型和算法，都是工具或者辅助作用，关键在于针对业务场景有清晰的思路，选择合适的分析方法或模型，给到可以落地的建议，最终推动建议转化成行动，让行动产生业务价值。
3、培养数据分析思维和敏感度
4、在实践中获得真知
5、不断积累、沉淀并总结一套自己的分析框架
四、科普向：数据和信息的关系数据是什么
- 数据（Data）：一切对客观事物的符号表示，如图形符号、数字、字母等。其中，数字是最简单的一种数据，是对数据的一种传统和狭义的理解。
单纯的数据是没有任何意义的，因为数据的表现形式还不能完全表达其内容，经过解释，数据才变得有意义，数据和关于数据的解释是密不可分的。
- 信息（Information）：目前为止，信息还未有统一定义。信息论的奠基者香农提出：“信息是用来消除随机不确定性的东西。”这一定义常被人们看作是经典性定义并加以引用。
信息具有载体依附性。信息不能独立存在，必须依附于一定载体。存储信息载体遭到破坏，其承载的信息就会消失。同一信息也可以依附于不同的载体，因此人们获取信息的途径与方法也可以不同。
- 知识（Knowledge）：知识是人类在社会实践中所获得的认识和经验的综合，也是人类在实践中认识客观世界（包括人类自身）的成果，它包括对事实、信息的描述以及在教育和实践中获得的技能。
数据、信息、知识、智慧
